[論文レビュー] Towards Brain-Computer Interfaces for Drone Swarm Control

Ji-Hoon Jeong, Dae-Hyeok Lee+2 more|arXiv (Cornell University)|Feb 3, 2020

EEG and Brain-Computer Interfaces参考文献 24被引用数 4

ひとこと要約

本研究は、視覚的イメージレーションパラダイムを用いて、非侵襲的EEGベースの脳-コンピュータインターフェース（BCI）を、ドローン群の制御に用いるものである。4つの高レベルな群行動コマンド（「ホバリング」、「分裂」、「分散」、「集合」）の分類が可能であることを示し、7名の被験者を対象とした総平均正答率36.7％を達成した。これは25％のランダムレベルを上回っており、基本的な機械学習を用いたEEGベースのドローン群制御の実現可能性を裏付けた。

ABSTRACT

Noninvasive brain-computer interface (BCI) decodes brain signals to understand user intention. Recent advances have been developed for the BCI-based drone control system as the demand for drone control increases. Especially, drone swarm control based on brain signals could provide various industries such as military service or industry disaster. This paper presents a prototype of a brain swarm interface system for a variety of scenarios using a visual imagery paradigm. We designed the experimental environment that could acquire brain signals under a drone swarm control simulator environment. Through the system, we collected the electroencephalogram (EEG) signals with respect to four different scenarios. Seven subjects participated in our experiment and evaluated classification performances using the basic machine learning algorithm. The grand average classification accuracy is higher than the chance level accuracy. Hence, we could confirm the feasibility of the drone swarm control system based on EEG signals for performing high-level tasks.

研究の動機と目的

• 非侵襲的EEG信号を用いてドローン群の制御を可能とする脳-群インターフェースシステムの開発。
• 視覚的イメージレーションタスク中に、高レベルな群行動コマンドがEEGから復元可能かどうかの調査。
• 基本的な機械学習を用いて、4つの異なるドローン群行動の分類性能の評価。
• 模擬ドローン群作業中にEEG信号を取得するための制御された実験環境の構築。
• 現実的な状況下で、複雑な複数コマンドのドローン群制御に対してEEGベースのBCIの実現可能性の評価。

提案手法

• 被験者が4つのドローン群行動（ホバリング、分裂、分散、集合）を想像する視覚的イメージレーションパラダイムを採用。
• 4段階の実験プロトコル（休息、視覚的キュー／準備、固定、想像）を採用。モニターは被験者の目線高さに90 cmの距離で配置。
• 64チャネルEEGシステムを用いて、1,000 HzのサンプリングレートでEEG信号を取得。60 Hzノッチフィルタを適用し、インピーダンスは10 kΩ未満に保った。
• 前処理として、ゼロ位相の2次バターワース帯域通過フィルタ（8–30 Hz）を適用し、4秒のエポックに分割。
• 共通空間パターン（CSP）を用いて空間特徴を抽出。最初の3つおよび最後の3つのCSP成分の対数分散を用いた。
• 4クラス分類に線形判別分析（LDA）を用い、ワン・フォアスト・リターン戦略と5分割交差検証を適用。

実験結果

リサーチクエスチョン

• RQ1 ドローン群行動の視覚的イメージネーション中に得られるEEG信号が、4つの異なるコマンドクラスに信頼性高く分類可能か？
• RQ2 非侵襲的EEGと基本的な機械学習を用いて、高レベルなドローン群行動コマンドの分類正答率が25％のランダムレベルを上回るか？
• RQ3 EEG信号の品質やタスクパフォーマンスにおける個人差が、BCIベースのドローン群制御システムの分類正答率にどのように影響するか？
• RQ4 模擬的で現実的な環境が、複雑な群行動タスクにおけるEEGベース制御の実現可能性をどの程度向上させるか？
• RQ5 非侵襲的EEGのみを用いて、複数コマンド・高レベル制御のドローン群制御のための脳-群インターフェースを開発可能か？

主な発見

• 全7名の被験者における総平均分類正答率は36.7％（±4.6％）であり、4クラス分類の25％のランダムレベルを顕著に上回った。
• 被験者5が最高の正答率41.3％を記録した一方、被験者3は最低の28.4％を記録し、EEG信号への個体差に起因する反応性のばらつきが示された。
• EEG信号の品質は、制御された条件下で信頼性ある分類に十分であったことが、ランダムレベルを超えるパフォーマンスから裏付けられた。
• 被験者3の低パフォーマンスは、視覚的イメージネーションタスクの遂行に困難を示しており、認知的負荷やタスク理解の問題が関係している可能性が示唆された。
• EEGベースのBCIを用いた高レベルなドローン群制御の実現可能性が確認された。特に、基本的な群行動に対して有効である。
• 本研究は、将来的な深層学習の統合による、実環境下での分類のロバスト性向上の基盤を築いた。